1.本发明涉及电力现场目标检测领域，特别是涉及一种电力现场作业中的危险越界行为识别算法。
背景技术：
2.随着电网规模的快速发展，现场施工作业出现点多面广、作业环境复杂多样的情况。在施工作业中，人的不安全行为、物的不安全状态和环境的不安全因素总是客观存在的，这些不安全因素在生产活动中就形成了风险，且一旦失控就可能导致不安全事故的发生。
3.为了避免不安全事故的发生，目前电网现场施工作业都会使用摄像头实时监控施工现场，摄像头主要是对工人进行监控。危险越界行为是人为导致不安全因素的主要因素之一，但是目前配合摄像头检测工人危险越界行为的方法，检测准确率较低，工人的危险越界行为仍然不能被完全检测，还是会导致一些不安全事故的发生。
4.因此，针对现有技术不足，提供一种电力现场作业中的危险越界行为识别算法以克服现有技术不足甚为必要。
技术实现要素：
5.本发明的目的在于避免现有技术的不足之处而提供一种电力现场作业中的危险越界行为识别算法，识别率高，且识别效率优异，能够及时的发现工人的危险越界行为，遏制危险越界行为导致的不安全因素。
6.本发明的目的通过以下技术措施实现。
7.提供一种电力现场作业中的危险越界行为识别算法，包括以下步骤：
8.s1：通过python3.6.5 keras工程环境搭建yolov3，其中backbone使用darknet53，损失函数使用交叉熵损失函数，使用迁移学习加载预训练参数。
9.s2：通过电力现场监控视频或者现场拍照获取待检测电力现场图片数据，将图片数据中的安全帽部分通过labelimg打标，然后将图片数据制作成可喂入网络的训练集。
10.s3：获取开源数据集，将开元数据集与训练集合并成总数据集，将总数据集过数据增强的方式进行扩充。
11.s4：将总数据集喂入网络后使用adam优化器进行优化，使用总数据集进行模型训练，获得最终模型。
12.s5：通过模型对实时电力现场作业中的安全帽进行检测。
13.优选的，s4中使用总数据集进行模型训练时采用衰减学习率的方式进行。
14.优选的，模型训练过程中通过通过准确率来评价模型。
15.本发明的一种电力现场作业中的危险越界行为识别算法，包括以下步骤：s1：通过python3.6.5 keras工程环境搭建yolov3，其中backbone使用darknet53，损失函数使用交叉熵损失函数，使用迁移学习加载预训练参数；s2：通过电力现场监控视频或者现场拍照获
取待检测电力现场图片数据，将图片数据中的安全帽部分通过labelimg打标，然后将图片数据制作成可喂入网络的训练集；s3：获取开源数据集，将开源数据集与训练集合并成总数据集，将总数据集过数据增强的方式进行扩充；s4：将总数据集喂入网络后使用adam优化器进行优化，使用总数据集进行训练，获得最终模型；s5：通过模型对实时电力现场作业中的安全帽进行检测。该电力现场作业中的危险越界行为识别算法，识别率高，且识别效率优异，能够及时的发现工人的危险越界行为，遏制危险越界行为导致的不安全因素。
具体实施方式
16.结合以下实施例对本发明作进一步说明。
17.实施例1。
18.一种电力现场作业中的危险越界行为识别算法，电力现场作业中的危险越界行为识别算法，包括以下步骤：s1：通过python3.6.5 keras工程环境搭建yolov3，其中backbone使用darknet53，损失函数使用交叉熵损失函数，使用迁移学习加载预训练参数。s2：通过电力现场监控视频或者现场拍照获取待检测电力现场图片数据，将图片数据中的安全帽部分通过labelimg打标，然后将图片数据制作成可喂入网络的训练集。s3：获取开源数据集，将开元数据集与训练集合并成总数据集，将总数据集过数据增强的方式进行扩充。s4：将总数据集喂入网络后使用adam优化器进行优化，使用总数据集进行模型训练，获得最终模型。s5：通过模型对实时电力现场作业中的安全帽进行检测。本实施例中，s4中使用总数据集进行模型训练时采用衰减学习率的方式进行。模型训练过程中通过通过准确率来评价模型。该电力现场作业中的危险越界行为识别算法，识别率高，且识别效率优异，能够及时的发现工人的危险越界行为，遏制危险越界行为导致的不安全因素。
19.最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
技术特征：
1.一种电力现场作业中的危险越界行为识别算法，其特征在于，包括以下步骤：s1：通过python3.6.5 keras工程环境搭建yolov3，其中backbone使用darknet53，损失函数使用交叉熵损失函数，使用迁移学习加载预训练参数；s2：通过电力现场监控视频或者现场拍照获取待检测电力现场图片数据，将图片数据中的工人危险越界图像部分通过labelimg打标，然后将图片数据制作成可喂入网络的训练集；s3：获取开源数据集，将开源数据集与训练集合并成总数据集，将总数据集过数据增强的方式进行扩充；s4：将总数据集喂入网络后使用adam优化器进行优化，使用总数据集进行模型训练，获得最终模型；s5：通过模型对实时电力现场作业中的安全帽进行检测。2.根据权利要求1所述的电力现场作业中的危险越界行为识别算法，其特征在于：s4中使用总数据集进行模型训练时采用衰减学习率的方式进行。3.根据权利要求1所述的电力现场作业中的危险越界行为识别算法，其特征在于：模型训练过程中通过通过准确率来评价模型。
技术总结
一种电力现场作业中的危险越界行为识别算法，包括以下步骤：S1：通过python 3.6.5 keras工程环境搭建yolov3，其中backbone使用Darknet53，损失函数使用交叉熵损失函数，使用迁移学习加载预训练参数；S2：通过电力现场监控视频或者现场拍照获取待检测电力现场图片数据，将图片数据中的安全帽部分通过labelimg打标，然后将图片数据制作成可喂入网络的训练集；S3：获取开源数据集，将开源数据集与训练集合并成总数据集，将总数据集过数据增强的方式进行扩充；S4：将总数据集喂入网络后使用Adam优化器进行优化，使用总数据集进行训练，获得最终模型；S5：通过模型对实时电力现场作业中的安全帽进行检测。该电力现场作业中的危险越界行为识别算法，识别率高，且识别效率优异，能够及时的发现工人的危险越界行为，遏制危险越界行为导致的不安全因素。界行为导致的不安全因素。
技术研发人员：曾纪钧 龙震岳 温柏坚 刘晔 张金波 蒋道环 梁哲恒 沈桂泉 张小陆 沈伍强 邓新华 崔磊
受保护的技术使用者：广东电网有限责任公司
技术研发日：2021.07.16
技术公布日：2021/11/21
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
